Використання граматик вільного порядку слідування фонем і складів для пофонемного розпізнавання злитого мовлення
В статті представлені результати поточних досліджень багаторівневого багатозначного підходу до автоматичного розуміння мовлення, який призначений для мов з розвинутою словозміною та з відносно вільним порядком слів. Ідея використовувати мовленнєві образи на рівні частин слова для пофонемного розпі...
Gespeichert in:
| Datum: | 2011 |
|---|---|
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Ukrainian |
| Veröffentlicht: |
Інститут проблем штучного інтелекту МОН України та НАН України
2011
|
| Schriftenreihe: | Штучний інтелект |
| Schlagworte: | |
| Online Zugang: | http://dspace.nbuv.gov.ua/handle/123456789/60255 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Використання граматик вільного порядку слідування фонем і складів для пофонемного розпізнавання злитого мовлення / Н.Б. Васильєва // Штучний інтелект. — 2011. — № 4. — С. 80-86. — Бібліогр.: 6 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
irk-123456789-60255 |
|---|---|
| record_format |
dspace |
| spelling |
irk-123456789-602552014-04-14T03:01:37Z Використання граматик вільного порядку слідування фонем і складів для пофонемного розпізнавання злитого мовлення Васильєва, Н.Б. Интеллектуальные речевые технологии. Компьютерная обработка естественно-языковых текстов и семантический поиск В статті представлені результати поточних досліджень багаторівневого багатозначного підходу до автоматичного розуміння мовлення, який призначений для мов з розвинутою словозміною та з відносно вільним порядком слів. Ідея використовувати мовленнєві образи на рівні частин слова для пофонемного розпізнавання є продуктивною, оскільки зростання обсягу лексикону практично не призводить до збільшення множини частин слова. Дослідження зосереджено на рівні пофонемного розпізнавання з метою подальшого переходу на лексичний рівень. Щоб зменшити показник помилково розпізнаних фонем, будується граматика декодера на основі вільного слідування частин слова. Подаються способи побудови множини (алфавіту) складів за текстовим корпусом. Описуються підходи до формування навчальної та контрольних вибірок для пофонемного розпізнавання злитого мовлення. Для експериментальних досліджень проведено роботу зі створення корпусу опорного диктора. Порівнюється надійність пофонемного розпізнавання з використанням граматик на основі складів і фонем. Обговорюються придатність отриманих результатів для використання в лексичному рівні, проблеми та майбутні дослідження. В работе представлены результаты текущих исследований в рамках подхода многоуровневого многозначного автоматического понимания речи, предназначенного для языков с развитым словоизменением и с относительно свободным порядком слов, поскольку рост объема лексикона практически не приводит к увеличению множества частей слова. Предлагаются способы построения множества (алфавита) слогов по текстовому корпусу. Описываются подходы к формированию обучающей выборки и контрольных выборок для фонемного распознавания слитной речи. Сравнивается надежность фонемного распознавания с использованием грамматик на основе слогов и фонем. Пригодность результатов к использованию в качестве входных данных лексического уровня является предметом будущих исследований. The paper presents advances in a multi-level automatic speech understanding approach that is initially developed for highly inflective languages with relatively free word order since word lexicon growth leads to practically no new sub-word items. The ways to select a set of sub-word units like syllables are considered. The proposed procedure to select a set of sentences containing all phoneme-triphones allowed for creation the text for training corpus. Three control sets were formed by different ways. The recognition accuracy has been compared to free phoneme order grammar. The results show the promising input for the next lexical level of the multi-level automatic speech understanding system. 2011 Article Використання граматик вільного порядку слідування фонем і складів для пофонемного розпізнавання злитого мовлення / Н.Б. Васильєва // Штучний інтелект. — 2011. — № 4. — С. 80-86. — Бібліогр.: 6 назв. — укр. 1561-5359 http://dspace.nbuv.gov.ua/handle/123456789/60255 004.934 uk Штучний інтелект Інститут проблем штучного інтелекту МОН України та НАН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
Ukrainian |
| topic |
Интеллектуальные речевые технологии. Компьютерная обработка естественно-языковых текстов и семантический поиск Интеллектуальные речевые технологии. Компьютерная обработка естественно-языковых текстов и семантический поиск |
| spellingShingle |
Интеллектуальные речевые технологии. Компьютерная обработка естественно-языковых текстов и семантический поиск Интеллектуальные речевые технологии. Компьютерная обработка естественно-языковых текстов и семантический поиск Васильєва, Н.Б. Використання граматик вільного порядку слідування фонем і складів для пофонемного розпізнавання злитого мовлення Штучний інтелект |
| description |
В статті представлені результати поточних досліджень багаторівневого багатозначного підходу до автоматичного розуміння мовлення, який призначений для мов з розвинутою словозміною та з відносно вільним порядком слів. Ідея використовувати мовленнєві образи на рівні частин слова для пофонемного
розпізнавання є продуктивною, оскільки зростання обсягу лексикону практично не призводить до збільшення множини частин слова. Дослідження зосереджено на рівні пофонемного розпізнавання з метою подальшого переходу на лексичний рівень. Щоб зменшити показник помилково розпізнаних фонем, будується граматика декодера на основі вільного слідування частин слова. Подаються способи побудови множини (алфавіту) складів за текстовим корпусом. Описуються підходи до формування навчальної та контрольних вибірок для пофонемного розпізнавання злитого мовлення. Для експериментальних досліджень проведено роботу зі створення корпусу опорного диктора. Порівнюється надійність пофонемного розпізнавання з використанням граматик на основі складів і фонем. Обговорюються придатність отриманих результатів для використання в лексичному рівні, проблеми та майбутні дослідження. |
| format |
Article |
| author |
Васильєва, Н.Б. |
| author_facet |
Васильєва, Н.Б. |
| author_sort |
Васильєва, Н.Б. |
| title |
Використання граматик вільного порядку слідування фонем і складів для пофонемного розпізнавання злитого мовлення |
| title_short |
Використання граматик вільного порядку слідування фонем і складів для пофонемного розпізнавання злитого мовлення |
| title_full |
Використання граматик вільного порядку слідування фонем і складів для пофонемного розпізнавання злитого мовлення |
| title_fullStr |
Використання граматик вільного порядку слідування фонем і складів для пофонемного розпізнавання злитого мовлення |
| title_full_unstemmed |
Використання граматик вільного порядку слідування фонем і складів для пофонемного розпізнавання злитого мовлення |
| title_sort |
використання граматик вільного порядку слідування фонем і складів для пофонемного розпізнавання злитого мовлення |
| publisher |
Інститут проблем штучного інтелекту МОН України та НАН України |
| publishDate |
2011 |
| topic_facet |
Интеллектуальные речевые технологии. Компьютерная обработка естественно-языковых текстов и семантический поиск |
| url |
http://dspace.nbuv.gov.ua/handle/123456789/60255 |
| citation_txt |
Використання граматик вільного порядку слідування фонем і складів для пофонемного розпізнавання злитого мовлення / Н.Б. Васильєва // Штучний інтелект. — 2011. — № 4. — С. 80-86. — Бібліогр.: 6 назв. — укр. |
| series |
Штучний інтелект |
| work_keys_str_mv |
AT vasilʹêvanb vikoristannâgramatikvílʹnogoporâdkuslíduvannâfonemískladívdlâpofonemnogorozpíznavannâzlitogomovlennâ |
| first_indexed |
2025-07-05T11:22:01Z |
| last_indexed |
2025-07-05T11:22:01Z |
| _version_ |
1836805806639546368 |
| fulltext |
«Искусственный интеллект» 4’2011 80
3В
УДК 004.934
Н.Б. Васильєва
Міжнародний науково-навчальний центр інформаційних технологій та систем,
м. Київ, Україна
ninel@uasoiro.org.ua
Використання граматик вільного порядку
слідування фонем і складів для пофонемного
розпізнавання злитого мовлення
В статті представлені результати поточних досліджень багаторівневого багатозначного підходу до
автоматичного розуміння мовлення, який призначений для мов з розвинутою словозміною та з відносно
вільним порядком слів. Ідея використовувати мовленнєві образи на рівні частин слова для пофонемного
розпізнавання є продуктивною, оскільки зростання обсягу лексикону практично не призводить до
збільшення множини частин слова. Дослідження зосереджено на рівні пофонемного розпізнавання з
метою подальшого переходу на лексичний рівень. Щоб зменшити показник помилково розпізнаних фонем,
будується граматика декодера на основі вільного слідування частин слова. Подаються способи побудови
множини (алфавіту) складів за текстовим корпусом. Описуються підходи до формування навчальної та
контрольних вибірок для пофонемного розпізнавання злитого мовлення. Для експериментальних досліджень
проведено роботу зі створення корпусу опорного диктора. Порівнюється надійність пофонемного
розпізнавання з використанням граматик на основі складів і фонем. Обговорюються придатність отриманих
результатів для використання в лексичному рівні, проблеми та майбутні дослідження.
Вступ
Загальноприйняті системи пофонемного розпізнавання оперують алфавітом фонем
(контекстно залежних або контекстно незалежних), з яких складаються мовленнєві
образи слів. Вже на слова накладаються обмеження їх слідування шляхом побудови
граматик або лінгвістичної моделі (ЛМ). При збагаченні лексики зростають обсяги робо-
чого словника, суттєво ускладнюються граматика або ЛМ, а це призводить до зменшен-
ня продуктивності системи розпізнавання.
Якщо використовувати замість слів мовленнєві образи складів або морфем, то зба-
гачення лексики не призведе до помітного зростання робочих словників та ускладнення
граматики чи ЛМ.
В цьому випадку найбільшою перепоною є перехід від послідовностей складів
(морфем) до послідовностей слів, оскільки помилка розпізнавання складу або морфеми
може спричиняти ситуацію, коли їх послідовностям неможливо співставити слово. Також
сама процедура переходу до послідовностей слів є неоднозначною і малодослідженою.
В попередній роботі [1] описувалося проведення поширення багаторівневої ба-
гатозначної моделі автоматичного розпізнавання злитого мовлення на випадок поскла-
дового розпізнавання. Для проведення експериментальних досліджень застосовувався
багатодикторний мовленнєвий корпус. Навчальна вибірка, сформована на основі цього
корпусу, складалася з відносно невеликої кількості ізольованих слів. Використовувався
словник лише на 4 000 слів за наявних близько 20 тис. реалізацій цих слів, вимовлених
70 дикторами. Результати проведених експериментів могли бути порівняні лише між
собою, оскільки ця база ніким більше не використовувалася, більше того, на сьогод-
нішній день не існує доступного і придатного для наукових досліджень україномов-
ного мовленнєвого корпусу.
Використання граматик вільного порядку слідування фонем...
«Штучний інтелект» 4’2011 81
3В
З огляду на це, було вирішено сформувати свій однодикторний мовленнєвий кор-
пус, в якому би спостерігалося все розмаїття звуків української мови. На основі цього
корпусу планувалося проводити експерименти, порівнювати результати розпізнавання
як окремо вимовлюваних слів, так і злитого мовлення для різних мовленнєвих образів, а
також порівнювати результати розпізнавання з результатами розпізнавання на багато-
дикторному мовленнєвому корпусі.
Метою даної статті є підвищення пофонемної надійності розпізнавання злитого
мовлення, що створить передумови реалізації ефективних алгоритмів переходу від по-
слідовностей складів (морфем, фонем) до слів [2].
У другому розділі статті описується формування навчальної вибірки, у третьому –
формування контрольних вибірок. Четвертий розділ присвячено експериментальним
дослідженням пофонемного та поскладового розпізнавання. Наприкінці обговорю-
ються результати та подальші дослідження.
Формування тексту та акустичної бази навчальної вибірки
Для проведення навчання і тестування розпізнавання, а в подальшому синтезу,
необхідно мати широку експериментальну базу, куди входять:
– однодикторні або багатодикторні навчальні і контрольні вибірки (НВ і КВ) для
дослідження індивідуалізованого і кооперативного розпізнавання;
– текстовий корпус для формування алфавітів мовленнєвих образів і текстів для
запису мовленнєвого корпусу.
Формування мовленнєвої бази даних і знань потребує великих затрат часу, а
також детальної підготовки тексту НВ. Для отримання НВ, що містить якомога широкий
спектр різних фонем-трифонів, використовувалися тексти, що знаходяться у вільному
доступі в Інтернеті. В основному це: художні твори українських авторів, публіцистичні
твори, новини, історичні довідки. Виключалися віршовані твори, оскільки вірші, на
відміну від прози, читаються з особливостями, не властивими повсякденному мовленню
(інший інтонаційний контур, нестандартне наголошення складів тощо). Для НВ з ізоль-
ованих слів використані частотний словник української мови та словник УМІФ [3].
У процесі формування тексту НВ було здійснено такі заходи:
– попередня обробка текстів (видалення приміток, номерів розділів, заміна ско-
рочень тощо);
– виділення окремого речення в рядок;
– перетворення орфографічного тексту в фонемний;
– складання статистики по кожному із обраних початкових корпусів (підрахо-
вується скільки разів зустрівся той чи інший мовленнєвий образ та найкоротше речення,
де він зустрівся);
– оброблення отриманого результату через «Жадібний» алгоритм (ЖА) [4].
У вибрані таким чином речення потрапляють ті, які містять нову фонему-трифон
і які є найкоротшими із можливих, що розглядаються. Таким чином, отримуємо суттєве
скорочення тексту НВ, не втрачаючи фонемного розмаїття. Деякі статистичні дані за
різними джерелами (текстовий корпус, словник УМІФ та частотний словник) в от-
риманих НВ наведені в табл. 1.
Таблиця 1 – Кількість фонем-трифонів, зареєстрованих лише один раз
Назва початкового текстового
корпусу, з якого вибиралася НВ
Кількість фонем-трифонів, які
зустрічаються лише один раз
Загальна
кількість фонем-
трифонів
у кожній з НВ Початковий текст НВ
Текстовий корпус 5072 23972 51442
Словник УМІФ 1720 17372 27772
Частотний словник 2273 10798 18337
Васильєва Н.Б.
«Искусственный интеллект» 4’2011 82
3В
Акустичні моделі формувалися на основі контекстно незалежних фонем, оскільки
обсяг їх алфавіту невеликий, а отже для статистичних оцінок потрібна менша база
акустичних сигналів, ніж для складів або фонем-трифонів, яких більше в тисячі разів
і топологія їх акустичних моделей потребує додаткових досліджень.
На першому етапі (етапі обробки текстового корпусу і формування НВ) розгля-
далися фонеми-трифони як мовленнєві образи, оскільки вони мають регулярну структуру
і дають змогу моделювати фонемне розмаїття шляхом врахування правого і лівого кон-
тексту [5]. Структурно фонема-трифон включає три символи на відміну від складів, які
можуть містити різну кількість фонем, а отже, символів: від однієї до шести (або до
восьми символів при написанні з позначенням пом’якшень та наголошених голосних) у
складах, які діляться за правилами складоподілу, і до п’яти (та семи символів при
написані) у відкритих складах.
Застосування ЖА приводить, зокрема, до того, що автоматично видаляються дуже
схожі речення, включно з повторами (одне речення може містити декілька уніка-
льних фонем-трифонів і таким чином потрапить у навчальну вибірку декілька разів).
У табл. 2 показана статистика фонемів-трифон у НВ, оптимізація при роботі ЖА.
Наступним етапом створення НВ є запис мовлення за сформованим текстом нав-
чальної вибірки. Під час запису проводиться апробація отриманих результатів на зручність
читання, перевірка транскрипції, виявлення помилок, які не виявляються автоматично
і які заважать нормальній вимові диктора тощо.
При опрацюванні текстів не було змоги врахувати такі пізніше виявлені проблеми:
– помилково написані фрази-речення (написані правильно орфографічно, але
позбавлені семантики);
– друкарські помилки;
– візуальна схожість літер у кирилиці та латиниці: а, о, е, у, і, р, с, х, Е, Х, Н, В,
А, О, Р, М, Т;
– літера замість цифри (в основному це стосується римських позначень цифри)
та навпаки;
– скорочення типу 1-ї, 1-го, 1-е, 1-й, 1-м, 1-у, 1-ї, 1-у;
– написання та вимова слів, означених цифрами (календарні дати, дробові числа та
інше);
– ізольована літера, наприклад, в кінці фрази, після якої стоять три крапки, або
перед цифрою тощо.
Таблиця 2 – Порівняння кількості елементів у початковому корпусі та тексті НВ
Початковий
текстовий корпус,
з якого вибиралася
НВ
Загальна
кількість
речень
(слів для
словників)
до роботи
ЖА
Загальна
кількість
речень
(слів) після
роботи ЖА
Загальна
кількість
реалізацій
фонем-
трифонів до
роботи ЖА
Загальна
кількість
реалізацій
фонем-
трифонів
після
роботи ЖА
Алфавіт
фонем-
трифонів
Текстовий корпус
(709 файлів;
~ 50 МБ)
815 995 18 019 41 179 780 102 0356 51 442
Словник УМІФ 1 874 744 13 706 23 734 396 12 0194 27 772
Частотний словник 137 634 8 207 1 487 679 71 019 18 337
Використання граматик вільного порядку слідування фонем...
«Штучний інтелект» 4’2011 83
3В
У процесі запису спостерігалися такі фізіологічні та психолінгвістичні явища:
– втома голосового тракту;
– зміна голосу в різних життєвих ситуаціях (захворювання, хвилювання, час
доби тощо);
– специфіка вимови деяких словосполучень та словоформ (редукція та асиміляція
за глухістю і дзвінкістю приголосних звуків).
При обробці словників також була проведена попередня робота перед записом,
яка полягала в тому, що було вилучено слова, що містять однакові фонеми-трифони,
оскільки ми маємо два словника, які мають певну кількість однакових фонем-трифонів,
тобто дублювання.
Кожен із словників має унікальний алфавіт фонем-трифонів. Наприклад, словник
УМІФ має таких фонем-трифонів 12 327, а частотний словник – 2 916. В двох словниках
одночасно виявлено 15 431 однакових фонем-трифонів.
Запис НВ і наступних вибірок проводився за допомогою модуля Sigrs [6] на звуковій
карті Creative Audigy2 ZS гарнітурою SteelSeries 5H v2. Отримано близько 36 годин
запису злитого мовлення. Обсяг словника НВ – 47 621 слів. Загальна кількість реалізацій
слів у НВ – 184 910.
Обсяг словника НВ окремих слів складав 12 870 слів, близько 12 годин запису.
Формування контрольної вибірки
Було вирішено сформувати свій однодикторний мовленнєвий корпус, в якому би
спостерігалося практично все розмаїття звуків української мови. На основі цього корпусу
планувалося проводити експерименти, порівнювати результати розпізнавання як окремо
вимовлюваних слів, так і злитого мовлення для різних мовленнєвих образів, а також
порівнювати результати розпізнавання з результатами розпізнавання на багатодиктор-
ному мовленнєвому корпусі.
Для перевірки запропонованих мовленнєвих образів, тобто фонем, відкритих складів
та складів, поділених за правилами складоподілу, було сформовано тексти контроль-
ної вибірки (КВ) злитого мовлення та проведений її запис.
Вирішено було провести тестування на двох КВ, сформованих різними способами.
Частотна КВ
Перший спосіб вибору КВ вирішено базувався на тому, щоб перевірити на розпіз-
навання часто вживані слова, речення, фрази, тобто сформувати КВ за частотністю фо-
нем-трифонів.
Етапи отримання частотної КВ:
– з початкового текстового корпусу вилучається текст НВ;
– із залишеного текстового корпусу формується статистика по фонемам-трифонам
та найкоротші речення, в яких вони зустрілися;
– з цих речень береться деяка кількість перших речень (в нашому випадку – 3 000);
– вилучаються речення, які повторюються.
Запис проводився в тих самих умовах, що і запис НВ.
Отримана КВ має 3,6 години запису. Обсяг словника складає 3 225 слів. Загальна
кількість реалізацій слів – 8 987.
КВ, сформована випадковим чином
Другий спосіб – сформувати КВ випадковим чином, з тих самих текстів, з яких
вибирався текст НВ, але з забороною вибору тих речень, що ввійшли до НВ.
Васильєва Н.Б.
«Искусственный интеллект» 4’2011 84
3В
Етапи отримання випадкової КВ:
– з початкового текстового корпусу вилучається текст НВ;
– із залишеного текстового корпусу випадковим чином береться деяка кількість
речень (в нашому випадку – 2 000);
– вилучаються речення, які повторюються.
Запис проводився в тих самих умовах, що і запис НВ.
Отримана КВ має 4,3 години запису. Обсяг словника складає 10 013 слів. Загальна
кількість реалізацій слів – 22864.
КВ «Вікіпедія»
Цю КВ запропоновано вибрати з текстів, які не використовувалися ні для вибору
попередньої КВ, ні для НВ. Для цього з сайту української Вікіпедії [7] випадковим чином
вибрано тексти.
Етапи отримання КВ «Вікіпедія»:
– з текстів сайту Вікіпедія вилучено речення, що зустрілися НВ та КВ випадкової;
– із отриманого тексту випадковим чином вибираємо 1000 речень;
– вилучаються речення, які повторюються;
– додано 200 послідовних речень з однієї випадково обраної статті.
Запис проводився в тих самих умовах, що і запис НВ.
Отримана КВ має 3,0 години запису. Обсяг словника складає 7 330 слів. Загальна
кількість реалізацій слів – 16 073.
Експериментальне розпізнавання та порівняння
отриманих результатів
Було проведено оцінювання параметрів акустичних моделей з використанням
програмного інструментарію HTK [8] для кожного з 57 монофонів і двох фонем-пауз.
Отримані моделі фонем мають кожна три стани і від 4 до 36 сумішей нормальних
законів в залежності від акустичної мінливості та частотності.
При розпізнаванні допускалася вільна граматика слідування фонемних образів
як для фонем, так і для складів. Тільки для відкритих складів було накладене обмежен-
ня: склади, які не мають голосної, стоять перед паузою.
Процедура розпізнавання проводилася за допомогою програмних комплексів
HTK та Julius [9] на трьох контрольних вибірках: частотній, випадковій та «Вікіпедія».
Одиницею розпізнавання взято три фонемні образи: фонеми (кількість одиниць 59),
відкриті склади (кількість одиниць 17 270), та склади, поділені за правилами складопо-
ділу (кількість одиниць 10 200).
Відповіді розпізнавання зводилися до пофонемного вигляду з метою подальшої
оцінки надійності порівняно до еталонного фонемного тексту. У табл. 3 наводиться
фонемна похибка (англійською, PER – Phoneme Error Rate) для описаних вище контроль-
них вибірок. Зауважимо, що до алфавіту фонем входять, зокрема, наголошені та нена-
голошені голосні фонеми. На вимові плутання голосної та приголосної може призвести
до спотворення змісту. Втім, на письмі наголос зазвичай опускається. Виходячи з цих
міркувань, в результатах розпізнавання також подається похибка без урахування наго-
лосу, що дало значно меншу оцінку PER.
І хоч для ряду експериментів про результат говорити зарано, очевидним є факт
залежності похибки від методу формування КВ. Так тексти з вибірки «Вікіпедія» не
входили до початкового текстового корпусу, а отже ця вибірка містить певну кількість
Використання граматик вільного порядку слідування фонем...
«Штучний інтелект» 4’2011 85
3В
фонем-трифонів, відсутніх у НВ. «Випадкова» КВ відповідає загальній статистичній
картині, тому слід орієнтуватися на показники надійності саме для цієї вибірки. Також
слід зазначити, що довжина речення для «Частотної» КВ) складає в середньому 3,2 сло-
ва, тоді як у «Випадковій» КВ середня кількість слів у реченні становить 10,5, тобто
майже як в НВ. Подальші дослідження НВ ізольованих слів для навчання можуть по-
яснити ці результати.
Таблиця 3 – Показники помилково розпізнаних фонем (%) для злитого мовлення на
основі різних мовленнєвих образів з використанням інструментарію HTK та Julius
КВ
Фонема Відкритий склад Склад за правилами
складоподілу
HTK Julius HTK Julius HTK Julius
«Випадкова»
КВ
28,86 29,11 24,92 24,46 24,54 24,03
«Випадкова»
КВ (без
наголосів)
21,39 22,28 17,68 17,47 17,29 17,01
КВ «Вікіпедія» 31,93 35,48 28,01 30,17 28,18 31,08
КВ «Вікіпедія»
(без наголосів)
24,72 23,19 28,81 20,81 21,00 22,37
«Частотна» КВ 36,6 - 37,75 - - -
«Частотна» КВ
(без наголосів)
26,1 - 27,95 - - -
Висновки
Порівняно з попередніми дослідженнями [1] фонемна похибка розпізнавання
для злитого мовлення в окремих випадках зменшилась більш ніж на половину. Це зу-
мовлено вдосконаленням навчальної вибірки для оцінки параметрів акустичних
моделей та врахуванням індивідуальних особливостей вимови диктора. Поки що з ре-
зультатів чітко не простежується, який вид складоподілу кращий.
Запропонований спосіб формування навчальної вибірки дає змогу широко охопити
фонетичне розмаїття мови, використовуючи близько 2% речень від усіх спостере-
жуваних.
У наведених експериментах допускалася вільна граматика слідування частин
слів. Планується застосувати статистичні лінгвістичні моделі для частин слів, що має
привести до зменшення помилок розпізнавання.
Планується задіяти в експериментальні дослідження частину навчальної вибірки
з окремо вимовлюваними словами. Залишаються недослідженими вплив багатьох пара-
метрів декодера на надійність та швидкість. Зокрема, розроблятимуться підходи до
зменшення алфавіту складів, що повинно прискорити розпізнавання.
Подальші дослідження покажуть, наскільки досягнутого рівня надійності достатньо
для переходу від послідовностей фонем (з супровідною оцінкою акустичних параметрів)
до послідовностей слів на лексичному рівні багаторівневої багатозначної системи ро-
зуміння мовлення.
Васильєва Н.Б.
«Искусственный интеллект» 4’2011 86
3В
Література
1. Vasylieva N. Modelyuvannya bahatorivnevoho poskladovoho rozpiznavannya movlennyevoho syhnalu /
N. Vasylieva, M. Sazhok // Artificial Intellect –2008.– № 3. – S. 801-808.
2. Sazhok M.. Generative Model for Decoding a Phoneme Recognizer Output. / Mykola Sazhok // Proc. of the 8th
International Conference «Text, Speech and Dialogue», TSD’2005. – Karlovy Vary, 2005. – P. 288-293.
3. Shyrokov V., Monako V. Organization of national lexicographic framework resources./ V. Shyrokov,
V. Monako // – Movoznavstvo. – 2001.– № 5.
4. Goncharov E. Behavior of probabilistic greedy algorithm for stage location problem. / Goncharov E.,
Kochetov Yu. // Sampling analysis and operations research.– 1999. – Vol. 6, № 1. – S. 12-32.
5. Young S.J. HTK Book.– Young S.J. version 3.1. – Cambridge University, 2002.
6. Lee T. Julius – an open source real-time large vocabulary recognition engine./ Lee, T. Kawahara and K. Shikano //
Proc. European Conference on Speech Communication and Technology (EUROSPEECH), 2001. – P. 1691-1694.
Н.Б. Васильева
Использование грамматик свободного порядка следования фонем и слогов для пофонемного
распознавания слитной речи
В работе представлены результаты текущих исследований в рамках подхода многоуровневого многознач-
ного автоматического понимания речи, предназначенного для языков с развитым словоизменением и
с относительно свободным порядком слов, поскольку рост объема лексикона практически не приводит к
увеличению множества частей слова. Предлагаются способы построения множества (алфавита) слогов по
текстовому корпусу. Описываются подходы к формированию обучающей выборки и контрольных
выборок для фонемного распознавания слитной речи. Сравнивается надежность фонемного распознавания с
использованием грамматик на основе слогов и фонем. Пригодность результатов к использованию в
качестве входных данных лексического уровня является предметом будущих исследований.
N.B. Vasylieva
Free Phoneme and Syllable Order Grammar Application for Continuous Speech Phoneme-by-
Phoneme Recognition
The paper presents advances in a multi-level automatic speech understanding approach that is initially
developed for highly inflective languages with relatively free word order since word lexicon growth leads to
practically no new sub-word items. The ways to select a set of sub-word units like syllables are considered.
The proposed procedure to select a set of sentences containing all phoneme-triphones allowed for creation the
text for training corpus. Three control sets were formed by different ways. The recognition accuracy has been
compared to free phoneme order grammar. The results show the promising input for the next lexical level of
the multi-level automatic speech understanding system.
Стаття надійшла до редакції 22.06.2011.
|